首发 | 陈天桥盛大团队，推出最强开源记忆系统EverMemOS - 今日头条 摘要

文档概览

• 这是一篇围绕 EverMemOS 的产品/技术介绍文章，核心叙事不是单点功能，而是把“长期记忆”提升为下一代 AI 与 Agent 的基础能力。
• 原文主线非常明确：受限于大模型固定上下文窗口，AI 在长时程任务中会频繁“失忆”，因此长期记忆被描述为 AI 从工具走向智能体、从被动响应走向主动演化的关键分水岭。
• 在此基础上，文章把 EverMemOS 定位为“面向人工智能智能体的长期记忆操作系统”，并进一步称其目标是成为未来智能体的数据基础设施。
• 文章的论证结构大致是：先指出行业痛点与趋势，再引入类脑记忆灵感与团队背景，然后给出场景覆盖、评测成绩、四层架构、三大特点，以及开源与后续云服务计划。

关键事实

1. 长期记忆被定义为下一代 AI 的核心竞争力

• 原文认为，LLM 固定上下文窗口会导致长时程任务中的记忆断裂、事实矛盾，以及个性化与知识一致性难以成立。
• 文中进一步强调，这不只是技术缺陷，而是 AI 走向高级智能的“演化桎梏”。
• 原文给出的逻辑链条是：没有记忆，就无法形成长期行为一致性与主动性；没有长期行为一致性与主动性，就难以实现真正的自我迭代。
• 因此，个性化、一致性、主动性这些能力，被明确说成依赖一个强大的记忆系统。
• 文中还以 Claude 和 ChatGPT 已将长期记忆作为战略级功能推出为例，说明行业已经把“记忆”视为未来 AI 应用的核心竞争力与分水岭。

2. EverMemOS 的产品定位

• 原文将 EverMemOS 描述为 EverMind 团队正式发布的旗舰产品。
• 其定位不是普通插件或单一检索模块，而是“面向人工智能智能体的世界级长期记忆操作系统”。
• 文章还使用了更强的基础设施表述：它旨在成为“未来智能体的数据基础设施”。
• 在叙事上，原文甚至将其作用概括为为 AI 赋予“持久、连贯、可进化的灵魂”。
• 结合文中后续描述，这里的“操作系统”含义主要在于：它要同时承担长期记忆的提取、组织、检索、应用与外部集成，而非仅仅做存储。

3. 性能主张与评测数据

• 原文明确给出两个长期记忆评测集结果：
• 在 LoCoMo 上，EverMemOS 取得 92.3%。
• 在 LongMemEval-S 上，EverMemOS 取得 82%。
• 文中将这两项结果表述为“均显著超越了 SOTA（State-of-the-Art）水平”，并称其“树立了新的行业标杆”。
• 文章没有在摘录中展开具体实验设置、对比基线、误差范围或统计显著性，因此这些分数应视为原文宣称的数据，而非本页独立验证结论。

4. 场景覆盖主张

• 原文将“全场景覆盖”作为现有记忆系统的关键缺位。
• 它特别指出，市场缺少一个真正可用、同时覆盖两类场景的系统：
• 一类是 1 对 1 对话或陪伴场景。
• 另一类是复杂企业多人协作场景。
• 针对这一点，文章声称 EverMemOS 是“行业首个真正能同时支持 1 对 1 对话与复杂多人协作两大场景的记忆系统”。
• 文中还补充了一个落地采用案例：该系统“已率先被创新的 AI Native 产品 Tanka 采用”。

重要细节

类脑设计叙事与团队背景

• 原文强调 EverMind 团队来源于盛大集团（Shanda Group），并将其放在“曾引领中国数字创新浪潮的科技和投资集团”语境下介绍。
• 文章称其设计灵感来自人类大脑的记忆机制，列出的关键环节包括：
• 感官信号编码；
• 海马体索引；
• 皮层长期存储；
• 前额叶与海马体协同完成记忆形成与提取。
• 这套叙事被原文概括为“类脑”理念，并被称为 EverMemOS 设计的核心。
• 文章进一步把这一愿景与陈天桥在脑科学与 AI 融合研究中的长期投入联系起来。
• 原文还提到，在 10 月 27-28 日于美国旧金山举办的首届“天桥脑科学研究院 AI 驱动科学研讨会（Symposium for AI Accelerated Science，AIAS 2025）”上，陈天桥系统阐述了包括“长期记忆”在内的发现式智能五种核心能力。
• 文章引用其中一个重要判断：当今 AI 建立在“空间结构”范式上，这种范式被描述为瞬时、静态，本质上是通过规模化参数拟合世界的“快照”；而人类大脑的“时间结构”范式则是连续、动态，目标是管理与预测时间流中的信息。
• 在这套论证中，“长期记忆”被定义为连接时间与智能的关键环节。
• 原文据此总结：EverMemOS 的目标是让 AI 获得时间连续性，从而能够在时间流中记忆、适应与进化。

为什么原文认为现有方案不够

• 文中承认行业并非没有尝试，举到的代表是 RAG 等传统方法，以及一些新兴记忆系统。
• 但原文对这些方案的评价是：大多仍然是“碎片化”的努力。
• 文中认为真正缺少的是一个同时满足以下条件的系统：
• 覆盖全场景；
• 在精度、速度、易用性、应用适配性上达到高度统一；
• 可插拔；
• 高性能；
• 易于优化。
• 换言之，文章不是单纯批评检索质量，而是在批评长期记忆系统长期缺少工程可用性与场景统一性。

四层架构及其作用

• 原文单独给出 EverMemOS 的四层架构，并与脑区功能做了类比。
• 代理层（Agentic Layer）：负责任务理解、任务分解与生成。原文将它类比为“前额叶皮层”，对应注意力、计划与执行控制。
• 记忆层（Memory Layer）：负责长期记忆的提取和结构化存储。类比对象是“大脑皮层网络”的长期巩固存储功能。
• 索引层（Index Layer）：通过 Embedding、键值对与知识图谱实现记忆关联和高效检索。类比“海马体”对记忆关联与快速索引的作用。
• 接口层（API/MCP Interface）：负责与企业级应用无缝集成，被表述为 AI 的“感官接口”，承担与外界交互的角色。
• 这套架构的重点在于：原文并不把“记忆”理解为单库检索，而是拆成任务侧、存储侧、索引侧、系统集成侧的完整分层。
• 从相关概念看，这与 Agent记忆分层架构、类脑长期记忆架构 有明显关联。

三大系统特点

特点一：从“记忆数据库”到“记忆处理器”

• 原文认为，EverMemOS 的首要创新，不只是存储记忆，而是把自己定义为一个“记忆应用处理器”。
• 它试图解决现有方法“只管找，不管用”的痛点。
• 文中对这一点的解释是：系统通过推理与融合机制，让记忆能够实时、主动地影响模型的思考与回应。
• 原文给出的预期效果是：AI 的每一句话都能基于对用户的长期理解，从而实现真正连贯、个性化的交互体验。
• 这意味着它强调的不只是 recall，而是记忆参与推理与生成。

特点二：分层记忆提取与动态组织

• 原文把“分层记忆提取”称为其核心思想。
• 它明确反对把记忆看作“混乱的文本块”。
• 文中提出的做法是：先把连续语义块提取为“情景记忆单元”，再动态组织成结构化记忆。
• 原文声称，这种层次化组织方式能把相关记忆联系起来，从而解决纯文本相似度检索难以捕捉隐性上下文的问题。
• 该点与 分层记忆提取、Agent记忆分层架构 直接相关。
• 文章没有在摘录中提供更细的单元定义、更新频率、组织算法或冲突消解机制，但明确强调了“连续语义块 → 情景记忆单元 → 结构化记忆”的处理链条。

特点三：可拓展的模块化记忆框架

• 原文称其实现了“业界首个可拓展的模块化记忆框架”。
• 给出的动机是：不同应用场景的记忆需求差距很大。
• 因此，系统按照使用场景设计可拓展框架，以支持多种记忆类型。
• 原文举了两类需求对比：
• 工作场景需要高精度、结构化信息；
• 陪伴场景需要共情能力，以及对隐性情感的理解。
• 文章据此声称，EverMemOS 能够根据不同场景，智能提供最优的记忆组织与应用策略。
• 它所要解决的问题，被表述为传统单一记忆形式无法适应多变需求。

开源与后续发布计划

• 原文说明 EverMind 已在 GitHub 上开放 EverMemOS 的开源版本，供开发者与 AI 团队部署和试用。
• 文中给出的 GitHub 地址为：https://github.com/EverMind-AI/EverMemOS/。
• 同时给出官网地址：http://everm.ai。